《模式识别》（张向荣）教学大纲.docx

《模式识别》教学大纲

课程编号：AI202006

课程名称：模式识别 英文名称：PatternRecognition

学分/学时：3/48 课程性质：专业必修

适用专业：智能科学与技术、人工智能建议开设学期：第5学期

先修课程：信号与系统、高等数学开课单位：人工智能学院

一、课程简介

《模式识别》是智能科学与技术专业的必修基础课程。模式识别指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学的重要组成部分。本课程从模式识别的基本概念入手，在特征选取的基础上，主要介绍统计模式识别，聚类分析，糊模式识别的基础理论和基本方法。课程主要涉及以线性分类器为核心的确定性统计分类，以及以贝叶斯分类器为核心的随机统计分类。通过本课程的学习，可掌握模式识别的基本理论和方法，为模式识别的工程应用奠定基础。进一步，帮助学生理解模式与模式识别的基本概念、模式识别的系统框图、模式识别的分类问题以及模式识别方法的一些关键问题，使学生掌握模式识别概念的基本知识，掌握一些模式识别最基本的步骤，能够通过一些简单实例理解模式识别的作用，认识到模式识别在分类问题中的重要意义。

二、课程目标与毕业要求

本课程将通过讲课、实验、课程设计使学生掌握模式识别的基本理论和方法。为以后进一步学习和研究奠定良好的基础，应当达到以下目标：

1、使学生建立模式识别系统的基本概念，了解模式识别的基本手段以及模式识别理论所能够解决的问题。掌握模式识别的基本原理，基本概念，具有初步的算法分析能力。（支撑毕业要求1-2）

2、掌握模式识别的基本分析方法和研究方法，使学生在科学实验能力、计算能力和抽象思维能力得到严格训练，培养学生独立分析问题与解决问题的能力，提高科学素质，为后续课程及从事信息处理等方面有关的研究工作打下基础。（支撑毕业要求1-4）

3、本课程的基本要求是使学生能利用贝叶斯决策、线性判别分析等技术进行数据分析和设计简单的分类器。（支撑毕业要求3-2）

课程目标与毕业要求观测点的支撑矩阵

毕业要求指标点

1-2

1-4

3-2

课程目标1

√

课程目标2

√

课程目标3

√

三、课程内容及基本要求

1.理论教学

（1）第一章模式识别概论（3学时）

帮助学生理解模式与模式识别的基本概念、模式识别的系统框图、模式识别的分类问题以及模式识别方法的一些关键问题，使学生掌握模式识别概念的基本知识，掌握一些模式识别最基本的步骤，能够通过一些简单实例理解模式识别的作用，认识到模式识别在分类问题中的重要意义。

1)基本内容与要求

理解模式识别概念并结合概念学习模式识别工作原理；

模式识别系统的流程框图：信息获取、预处理、特征提取、训练分类器、进行分类；

模式识别系统设计及应用：设计目标检测器、特征选取、分类器设计、分类器训练、性能评估。

2)重点、难点

模式识别系统设计及应用，这一部分需要学生对模式识别概念以及模式识别系统框图有充分了解，还要对模式识别应用方向有所了解，需要结合实例详细讲解，才能使学生轻松理解，并且能够让他们自己更好的与生活实际想结合，对于他们以后的学习也会更有帮助。

3)思政元素设计

从模式识别的重要性出发，引出科学技术的重要性，拟列举现代战争以及情报工作都需要依赖人工智能的现状，强调如果我国在人工智能技术方面落后于世界强国，将来一定是处于挨打的局面，让学生建立民族责任感以及为强国而努力的志向。

4）作业

模式识别训练分类器过程中用到的有监督学习和无监督学习，查阅有监督学习和无监督学习概念进行理解，并找出三个有监督分类方法和三个无监督分类方法。

（2）第二章统计决策方法（4学时）

帮助学生理解贝叶斯决策理论基本概念，什么是决策，决策准则以及最小错误率的贝叶斯决策，并对最小错误率进行讨论；掌握贝叶斯公式的先验概率和后验概率以及贝叶斯决策的两个要求：各个类别的总体概率分布是已知的，要决策分类的类别数是一定的。贝叶斯决策理论主要应用在模式识别系统中的分类问题，是统计决策理论中的一个基本方法。帮助学生深入理解贝叶斯公式的含义，掌握先验概率、类条件概率和后验概率的关系，懂得最小风险贝叶斯决策步骤和最小风险和最小错误率决策之间的关系，会分析两类情况下的最小风险贝叶斯决策，达到自行设计分类器设计的目的。帮助学生理解正态分布概率密度函数的定义及性质和多元正态概率型下的最小错误率贝叶斯判别函数和决策面。掌握正态分布模型具有物理上的合理性（许多实际的数据集，正态分布假设通常是较合理的近似）和数学上的简单性（正态分布具有许多很多的性质，有利于作数学分析）。提高学生的整体认知能力，理